Случайности и закономерности исследований в области медицины

Терминология

Что понимается под термином случайность в философии и почему  надежда на случай недопустима в медицине? 

С научной точки зрения случайность - характеристика процессов (например, ядерный распад), которые невозможно точно спрогнозировать, а в обывательском смысле слова - непредсказуемое событие. Непредсказуемость случайных открытий означает, что прорывы могут происходить не сразу, что потенциально может привести к застою в развитии новых методов терапии. Полагаться исключительно на случайность означает игнорировать преимущества активного, систематического исследования с использованием современных высокотехнологичных инструментов 

История 

Какие открытия в истории медицины и психиатрии, в частности, были случайными?

Многие открытия в медицине были сделаны случайно. Например, открытие пенициллина Александром Флемингом стало результатом случайного загрязнения плесенью, а Вильгельм Рентген открыл рентгеновские лучи, экспериментируя с катодными лучами. В психиатрии почти все открытия были неожиданными:  способность хлорпромазина - лечить психозы, лития - биполярное расстройство, ипрониазида - выступать в качестве антидепрессанта и кетамина - облегчать выход из тяжелой депрессии с суицидальными мыслями (Bauer, M., 2020). 

Современные исследования как альтернатива случайных открытий

Искусственный интеллект 

Чем полезны для открытия новых методов лечения алгоритмы искусственного интеллекта и машинного обучения? 

Передовые аналитические инструменты, такие как алгоритмы искусственного интеллекта (AI) и машинного обучения (ML), способны эффективно анализировать огромные массивы данных, выявляя закономерности и корреляции, которые могут оставаться скрытыми при использовании традиционных методов. Например, искусственный интеллект может помочь в выявлении маркеров психоневрологических расстройств путем анализа генетических, нейрофизиологических и радиологических методов исследования мозга, психологических и клинических данных, что приводит к более персонализированным подходам к лечению. Инструменты искусственного интеллекта дополнительно повышают точность и воспроизводимость за счет автоматизации анализа данных, снижения человеческих ошибок и обработки сложных многомерных наборов данных 

Машинное обучение 

Приведите пример открытий с помощью искусственного интеллекта и машинного обучения в онкологии и кардиологии?

Одним из ярких примеров является онкология, где искусственный интеллект использовался для анализа генетических профилей опухолей с целью иммунотерапии, что значительно улучшило результаты лечения таких видов рака, как меланома (Bera K., et.al., 2019). Аналогично, в кардиологии алгоритмы машинного обучения ускорили раннее выявление фибрилляции предсердий с помощью носимых устройств, что позволяет снижать риск инсульта (Manetas-Stavrakakis, N.,et.al., 2023).  

Стволовые клетки 

Использование каких методов исследования позволяет вести терапию на клеточном уровне?

Новые стратегии, такие как индуцированные плюрипотентные стволовые клетки и органоиды, предлагают модели, специфичные для человека и позволяют понять механизмы заболеваний на клеточном уровне (Ho, B. X., et.al., 2018).

Органоиды

Что означает термин "органоиды" и почему они интересны для врачей и исследователей? 

" Органоиды" — трехмерные клеточные культуры, воспроизводящие структуры органов, — позволяют изучать сложные взаимодействия внутри тканей человека (Trillhaase, A., et.al., 2021). 

Мультиомиксные подходы 

Чем полезны для медицины мультиомиксные подходы? 

Мультиомиксные подходы — интеграция геномики, транскриптомики, протеомики, метаболомики и других «омиксных» данных — обеспечивают всестороннее понимание биологических систем и процессов заболеваний. Анализируя одновременно несколько уровней биологической информации, исследователи могут с большей точностью выявлять новые мишени терапии и биологические маркеры (Song, Y.,et.al., 2018).   

"Сетевое моделирование"

Почему "сетевое моделирование" помогает прецизионной медицины?

"Сетевое моделирование" выявляет сложные взаимодействия внутри биологических систем, определяя пути, критически важные для прецизионной медицины. Эти модели имитируют, как изменения в одном компоненте системы влияют на другие, предлагая понимание механизмов заболеваний и потенциальных методов лечения (Graw, S., et.al., 2021). например,  лечение диабета с помощью моделирования динамики глюкозы и инсулина позволило разработать персонализированную инсулинотерапию, улучшить контроль уровня сахара в крови и уменьшить количество осложнений. Аналогично, при ревматоидном артрите маркеры использовались для прогнозирования реакции пациентов на биологическое лечение, обеспечивая получение наиболее эффективной терапии с минимальной задержкой. 

Структурная аналогия препаратов 

Чем полезен анализ структурной аналогии препаратов? 

Прогнозирование эффектов на основе сходства структурных препаратов с уже известными предоставляет возможность перепрофилирования лекарств для использования в разных специальностях медицины. Перепрофилирование одобренных препаратов для новых показаний является эффективным и ускоренным способом разработки лекарств, особенно, в персонализированной медицине. Параллельно с экспериментальными подходами к перепрофилированию лекарств было опубликовано множество вычислительных подходов для обнаружения взаимосвязи между лекарствами и заболеваниями или лекарствами и мишенями. Большинство из них используют сходство между лекарствами, белками, побочными эффектами, сетью взаимодействий и заболеваниями (Gottlieb, A., et.al., 2011). 

Какое значение для прогнозирования побочных эффектов имеет сходство препарата со связывающими лигандами?

Для определенной белковой мишени химическое сходство лекарства с его известными связывающими лигандами использовалось для прогнозирования возможной ассоциации с этой белковой мишенью (Lounkine, E., et.al., 2012). Эти методы требуют предварительного знания о "партнерах" по связыванию целевого белка или лекарственного препарата, побочных эффектах, сети взаимодействий и др. Существуют также базы данных, которые собирают экспериментальные данные о взаимодействиях лекарственных препаратов с белками из литературы. Сообщалось об инициативе, которая применяет традиционный подход на основе структуры для ранжирования взаимодействий препарат-мишень с использованием облачных вычислений Google. Это расширяет охват мишеней на те белки, для которых нет предварительного знания о связывающих лигандах (Reardon, S., 2013). Однако этот подход по-прежнему ограничен необходимостью наличия высоко разрешенных структур целевых белков (доступных не более чем для 1/3 протеома человека и отсутствием точных функций оценки для ранжирования состыкованных лигандов.

Литература

Bauer, M. (2020). Lithium: about discrepancies between efficacy and clinical use. Acta Psychiatrica Scandinavica, 142(3), 159-160.

Bera K., Schalper K.A., Rimm D.L., Velcheti V., Madabhushi A. Artificial intelligence in digital pathology—New tools for diagnosis and precision oncology. Nat. Rev. Clin. Oncol. 2019;16:703–715

Gottlieb, A., Stein, G. Y., Ruppin, E., & Sharan, R. (2011). PREDICT: a method for inferring novel drug indications with application to personalized medicine. Molecular systems biology, 7(1), MSB201126.

Graw, S., Chappell, K., Washam, C. L., Gies, A., Bird, J., Robeson, M. S., & Byrum, S. D. (2021). Multi-omics data integration considerations and study design for biological systems and disease. Molecular omics, 17(2), 170-185.

Ho, B. X., Pek, N. M. Q., & Soh, B. S. (2018). Disease modeling using 3D organoids derived from human induced pluripotent stem cells. International journal of molecular sciences, 19(4), 936.

Lounkine, E., Keiser, M. J., Whitebread, S., Mikhailov, D., Hamon, J., Jenkins, J. L., ... & Urban, L. (2012). Large-scale prediction and testing of drug activity on side-effect targets. Nature, 486(7403), 361-367.

Manetas-Stavrakakis, N., Sotiropoulou, I. M., Paraskevas, T., Maneta Stavrakaki, S., Bampatsias, D., Xanthopoulos, A., ... & Briasoulis, A. (2023). Accuracy of artificial intelligence-based technologies for the diagnosis of atrial fibrillation: a systematic review and meta-analysis. Journal of Clinical Medicine, 12(20), 6576.

Reardon, S. (2013). Project ranks billions of drug interactions: drugable. com predicts mechanisms through computation. Nature, 503(7477), 449-451.

Song, Y., Xu, X., Wang, W., Tian, T., Zhu, Z., & Yang, C. (2019). Single cell transcriptomics: moving towards multi-omics. Analyst, 144(10), 3172-3189.

Trillhaase, A., Maertens, M., Aherrahrou, Z., & Erdmann, J. (2021). Induced pluripotent stem cells (iPSCs) in vascular research: from two-to three-dimensional organoids. Stem Cell Reviews and Reports, 17(5), 1741-1753.